#include<iostream>       //三層網絡
#include<iomanip>
#include<cmath>
using namespace std;

#define  N 20		//學習樣本個數
#define  IN 1		//輸入層神經元數目
#define  HN 8		//隱層神經元數目
#define  ON 1		//輸出層神經元數目

double  P[IN];		//單個樣本輸入數據
double  T[ON];		//單個樣本教師數據

double  W[HN][IN];	//輸入層至隱層權值
double	V[ON][HN];	//隱層至輸出層權值
double	X[HN];		//隱層的輸入
double	Y[ON];		//輸出層的輸入
double	H[HN];		//隱層的輸出
double	O[ON];		//輸出層的輸出
double	sita[HN];	//隱層的閾值
double	gama[ON];	//輸出層的閾值

double	err_m[N];	//第m個樣本的總誤差
double	alpha,beta;		

struct {double input[IN],teach[ON];}Study_Data[N];//定義一個放學習樣本的結構
 
void initial()			//初始化權、閾值子程序
{
	float sgn,rnd;int i,j;
	
	sgn=rand();				//隱層權、閾值初始化//sgn=pow((-1),random(100));
	rnd=sgn*(rand()%100);
	W[j][i]=rnd/100;		//隱層權值初始化。
  
	sgn=rand();				//randomize()//sgn=pow((-1),random(1000))
	rnd=sgn*(rand()%1000);
	sita[j]= rnd/1000;		//中間層閾值初始化
	cout<<"sita"<<sita[j]<<endl;
  
	for(int k=0;k<ON;k++)	//輸出層權、閾值初始化//randomize();
		for(int j=0;j<HN;j++) 
		{
			sgn=rand();				//sgn=pow((-1),random(1000));
			rnd=sgn*(rand()%1000);
			V[k][j]=rnd/1000;		//第m個樣本輸出層權值初始化
		}
			
	sgn=rand();					//randomize();//sgn=pow((-1),random(10));
	rnd=sgn*(rand()%10);
	gama[k]=rnd/10;				//輸出層閾值初始化
	cout<<"gama[k]"<<endl;
}
								
void input_P(int m){for(int i=0;i<IN;i++)P[i]=Study_Data[m].input[i];}//第m個學習樣本輸入子程序
void input_T(int m){for(int i=0;i<ON;i++)T[i]=Study_Data[m].teach[i];}//第m個樣本教師信號子程序								

void H_I_O()							//隱層各單元輸入、輸出值子程序
{
	double sigma;int i,j;
	for(j=0;j<HN;j++)
	{
		sigma=0.0;for(i=0;i<IN;i++)sigma+=W[j][i]*P[i];			//求隱層內積
		X[j]=sigma-sita[i];									//求隱層凈輸入
		H[j]=1.0/(1.0+exp(-X[j]));								//求隱層輸出
	}
}																

void O_I_O()//輸出層各單元輸入、輸出值子程序
{
	double sigma;
	for(int k=0;k<ON;k++)
	{
		sigma=0.0;for(int j=0;j<HN;j++)sigma+=V[k][j]*H[k];		//求輸出層內積
		Y[k]=sigma-gama[k];										//求輸出層凈輸入
		O[k]=1.0/(1.0+exp(-Y[k]));								//求輸出層輸出
	}
}															

double d_err[ON];
void Err_O_H(int m)						//輸出層至隱層的一般化誤差子程序,第m個樣本
{
	double abs_err[ON];					//每個樣本的絕對誤差都是從0開始的
	double sqr_err=0;					//每個樣本的平方誤差計算都是從0開始的//for (int output=0;output<ON;output++)  //output???
									
	for(int k=0;k<ON;k++)abs_err[k]=T[k]-O[k];		//求第m個樣本下的第k個神經元的絕對誤差
	sqr_err+=(abs_err[k])*(abs_err[k]);				//求第m個樣本下輸出層的平方誤差

	d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);			//d_err[k]輸出層各神經元的一般化誤差
	
	err_m[m]=sqr_err/2;								//第m個樣本下輸出層的平方誤差/2=第m個樣本的均方誤差
}													//子程序Err_O_H(m)結束

double e_err[HN];
void Err_H_I()					//隱層至輸入層的一般化誤差子程序
{
	double sigma;
	for(int j=0;j<HN;j++) //for (int hidden=0;hidden
	{
		sigma=0.0;for(int k=0;k<ON;k++)sigma=d_err[k]*V[k][j];
		e_err[j]=sigma*H[j]*(1-H[j]);//隱層各神經元的一般化誤差
	}
}

void Delta_O_H(int m)//輸出層至隱層的權值調整、輸出層閾值調整計算子程序
{
	for(int k=0;k<ON;k++)
	{
		for(int j=0;j<HN;j++)
			V[k][j]+=alpha*d_err[k]*H[j];	//輸出層至隱層的權值調整//cout<<"第"< fprintf(fp,"第%d個樣本時的輸出層至隱層的權值為：%f\n",m,W[k][j]);
		gama[k]+=beta*d_err[k];					//輸出層至隱層的閾值調整
	}
}

void Delta_H_I(int m)//隱層至輸入層的權值調整、隱層閾值調整計算子程序
{
	for (int j=0;j<HN;j++)
	{
		for(int i=0;i<IN;i++)//cout<<"第"< fprintf(fp,"第%d個樣本時的輸出層至隱層的權值為：%f\n",m,V[j][i]);
			W[j][i]+=beta*e_err[j]*P[i];   //隱層至輸入層的權值調整
		sita[j]+=beta*e_err[j];
	}
}

double Err_Sum()						//N個樣本的全局誤差計算子程序
{
	double total_err=0;for(int m=0;m<N;m++)total_err+=err_m[m];//每個樣本的均方誤差加起來就成了全局誤差
	return total_err;
}

int main()
{
	double sum_err;int study=0;					//訓練次數
	cin>>alpha;cin>>beta;

	double Pre_error; cout<<"請輸入預定誤差: Pre_error= \n";        cin>>Pre_error;            
	int Pre_times;    cout<<"請輸入預定最大學習次數:Pre_times=\n";  cin>>Pre_times;

	int m,i;cout<<"請輸入學習樣本數據\n";			//有N組
	for(m=0;m<N;m++)for(i=0;i<IN;i++)cin>>Study_Data[m]->input[i];
	for(m=0;m<N;m++)for(i=0;i<ON;i++)cin>>Study_Data[m]->teach[i];

	initial(); //隱層、輸出層權、閾值初始化 (1) 

	while(sum_err>Pre_error)//N個樣本全局誤差小于預定誤差否
	{
		++study; 
		for(int m=0;m<N;m++) 
		{
			input_P(m);			//輸入第m個學習樣本 (2)
			input_T(m);			//輸入第m個樣本的教師信號 (3)
			H_I_O();			//第m個學習樣本隱層各單元輸入、輸出值 (4)
			O_I_O();			//第m個學習樣本輸出層各單元輸入、輸出值 (5)
			Err_O_H(m);			//第m個學習樣本輸出層至隱層一般化誤差 (6) 
			Err_H_I();			//第m個學習樣本隱層至輸入層一般化誤差 (7)
			Delta_O_H(m);		//第m個學習樣本輸出層至隱層權閾值調整、修改 (8)
			Delta_H_I(m);		//第m個學習樣本隱層至輸入層權閾值調整、修改 (9)
		}						//全部樣本訓練完畢

		sum_err=Err_Sum(); //全部樣本全局誤差計算 (10)
		cout<<"第"<<study<<"次學習的均方誤差為"<<sum_err<<endl;
	}

	return 0;
}